Mineração de dados em triagem de risco de saúde

Transcrição

1 Mineração de dados em triagem de risco de saúde Thales Vaz Maciel 1 ; Vinicius Rosa Seus 2 ; Karina dos Santos Machado 3 ; Eduardo Nunes Borges Centro de Ciências Computacionais, Fundação Universidade do Rio Grande, Rio Grande - Rio Grande do Sul, Brasil thales.maciel@furg.br (Recebido em 22 de setembro de 2014; aceito em 16 de outubro de 2014) Com a grande quantidade de dados gerados por sistemas de informação, utilizados em diversas áreas organizacionais, a necessidade de explorar esses dados torna-se evidente, com o fim de transformá-los em conhecimento interessante. O objetivo deste artigo é descrever, passo a passo, a pesquisa pela descoberta de conhecimento no domínio da triagem médica. O foco do estudo está nas fases de pré-processamento e na mineração de dados, especificamente na tarefa de classificação. É discutida a aplicação do algoritmo C4.5, denominado no software WEKA como J48, proposta uma abordagem sensível à custo e apresentados os resultados obtidos. Palavras-chave: triagem médica, descoberta de conhecimento em bases de dados, mineração de dados. Data Mining in Health Risk Triage With the large amount of data generated by information systems, used in many organizational areas, the need to explore such data becomes evident, in order to transform them into interesting knowledge. This paper s goal is to describe, step by step, this research for knowledge discovery in the domain of medical triage. The study is focused on the stages of pre-processing and data mining, specifically in a classification task. We discuss the application of the C4.5 algorithm, named J48 in the WEKA software, propose a cost-sensitive approach and present the obtained results. Keywords: medical triage, knowledge discovery from data, data mining. 1. INTRODUÇÃO De acordo com Han, Kamber e Pei [1], é possível observar um rápido crescimento na quantidade de dados que é coletada nas organizações. A descoberta de conhecimento em bases de dados, ou knowledge discovery from data (KDD), consiste na atividade de transformar grandes quantidades de dados em informação que possa ser usada na prática, ou que produza relevância em determinada área de conhecimento [2]. O processo de KDD compreende três principais etapas: pré-processamento, mineração de dados e pós-processamento [2]. No pré-processamento, os dados, conforme disponibilizados, são preparados para as etapas seguintes do processo. Ocorre a conversão dos dados, em uma forma bruta, para um formato mais apropriado, através da limpeza e remoção de dados ruidosos, por exemplo. Subsequentemente, ocorre a aplicação de técnicas de mineração de dados, com a possibilidade da execução de diversos tipos de algoritmos sobre um conjunto de dados, com o objetivo de produzir um modelo. No pós-processamento, o modelo obtido é analisado, avaliado e apresentado de maneira compreensível por humanos [3]. Entende-se que o problema a ser tratado em KDD é o de transformar um conjunto de dados em um modelo utilizável, com determinado propósito, e que possibilite o entendimento humano. Um exemplo seria a possibilidade de predizer a ocorrência de uma importante situação em determinado domínio de conhecimento. No caso do domínio da saúde, de acordo com Shama e Mansotra [4], esta é uma das áreas de maior importância para a aplicação de mineração de dados, podendo potencializar o auxílio no controle de infecções, diagnósticos e tratamento de várias doenças, além de gestão de recursos da saúde, gestão hospitalar e administração da saúde pública, por exemplo. 1

2 Dentro deste contexto, Kohn [5] explica que a mineração de dados já tem sido utilizada de forma intensa e em larga escala por muitas organizações de saúde, o que torna esta ciência cada vez mais popular, se não essencial. O objetivo deste trabalho consiste em obter, por meio de um processo de descoberta de conhecimento, um modelo de classificação que possa ser aplicado no auxílio à triagem de risco de vida, na medicina. Entende-se que atividades de triagem possuem o objetivo de identificar o risco de vida em pacientes através da análise de seus sinais vitais. A partir desta introdução, o presente artigo está organizado com a seção 2 apresentando os materiais utilizados e métodos aplicados no estudo, o que inclui uma descrição detalhada do conjunto de dados e informações sobre as atividades de pré-processamento que foram realizadas. Resultados são apresentados na seção 3, onde as atividades de classificação e os modelos obtidos são descritos e discutidos. Por fim, a seção 4 conclui o trabalho e apresenta possibilidades de continuidade em trabalhos futuros. 2. MATERIAIS E MÉTODOS Para execução deste estudo, foi utilizado um conjunto de dados referente à triagem de risco de vida em uma Unidade de Pronto Atendimento (UPA) do Sistema Único de Saúde (SUS), descrito detalhadamente na subseção 2.1. Os dados foram pré-processados a partir das técnicas relatadas na subseção 2.2, onde também é apresentada a problemática do desbalanceamento ocorrente no conjunto de dados em estudo. A etapa de mineração de dados foi realizada com a utilização do software Waikato Environment for Knowledge Analysis (WEKA) [6]. A tarefa de mineração de dados utilizada foi a de classificação, que consiste na construção de um modelo para a predição de dados categóricos [1]. Inicialmente, foi aplicado um algoritmo baseado em arvores de decisão, o C4.5 [7], disponível no software WEKA sob a implementação J48. Também foi observada a aplicação de sensibilidade à custo no algoritmo de classificação descrito. Na ferramenta WEKA, a utilização da sensibilidade à custo consiste na aplicação de um meta-classificador em conjunto com um classificador base, tornando-o sensível à valores de custos que são manipuláveis [6]. Relaciona-se, fortemente, o desbalanceamento entre classes com a abordagem de aprendizado sensível ao custo, em classificação [1]. Entende-se, por exemplo, que, em diagnóstico médico, um caso de falso negativo seja deveras mais custoso do que um caso de falso positivo. Isto é explorado de forma mais abrangente na seção O CONJUNTO DE DADOS O conjunto de dados utilizado neste estudo é referente à dados de sinais vitais que profissionais de medicina e enfermagem consideram a fim de determinar o grau de risco de vida em pacientes durante a atividade de triagem. Também está presente a categoria de risco indicada em cada instância. Conforme exposto anteriormente, estes dados foram oriundos da projeção do banco de dados inerente ao sistema de informação utilizado em uma UPA e o conjunto é composto por registros de atividades de triagem individuais. Os atributos preditivos do conjunto de dados e suas respectivas descrições são apresentados na Tabela 1. A determinação do valor de risco é o principal objetivo da triagem, sendo este o atributo alvo dos modelos a serem inferidos. Esse campo possui variação de valores de 1 a 4, que representam, respectivamente, as classificações de risco Eletiva, Baixo, Médio e Alto O PRÉ-PROCESSAMENTO Pré-processamento de dados é uma etapa importante no processo de mineração de dados e descoberta de conhecimento, onde as anomalias e inconsistências de dados são detectadas e

3 corrigidas [1]. Durante o pré-processamento, limpeza de dados, integração, redução, transformação, e outras medidas possíveis são executadas sobre os dados. Tabela 1: Descrição dos atributos do conjunto de dados utilizados neste trabalho. Atributos id pas das fc fr temperatura peso oxigenacao ao mrm mrv risco datahora usuario Descrição Identificação para o tratamento. Pressão sanguínea sistólica. Pressão sanguínea diastólica. Frequência cardíaca. Frequência respiratória. Temperatura no momento da triagem. Peso no momento da triagem. Saturação de oxigênio sanguínea (SpO2). Resposta ocular, como parte da Escala de Coma de Glasgow (GCS). Melhor resposta motora, como parte da GCS. Melhor resposta verbal, como parte da GCS. Risco de morte: 1-Eletiva, 2-Baixo, 3-Médio, 4-Alto. Horário e data da triagem. Nome do profissional que aplicou a triagem. O conjunto de dados é apresentado na forma de um arquivo de valores separados por vírgulas (CSV), onde os valores estão entre aspas e informações de cabeçalho não estão presentes. Inicialmente, observando-se os dados, foi possível verificar que os valores de vários atributos em algumas instâncias mantinham o valor zero. No domínio de conhecimento em medicina, é entendido que um valor zero para qualquer sinal vital é uma indicação de ausência de valor válido ou de morte do paciente. Considerou-se que, neste caso, o registro de morte do paciente não é uma possibilidade devido ao processo do domínio de negócio. Portanto, o primeiro passo da limpeza de dados foi a conversão de valores iguais a zero em valores nulos, considerando que zero não é a representação mais adequada para eles mas, sim, a sua não existência. Além disto, notou-se que todas as instâncias têm registrados os mesmos valores para os campos ao, mrm e mrv, respectivamente, inteiros de 4, 5 e 6 (os mais altos níveis para cada indicador GCS). Isso indica que esses três campos de dados tenham sido desconsiderados quando da verificação de sinais vitais durante a triagem, o que implica, diretamente, em os mesmos não produzirem relevância estatística ou no cálculo das métricas de entropia ou ganho de informação para fins de classificação em mineração de dados. Devido à irrelevância considerável, a remoção destes três campos foi realizada como parte da limpeza dos dados do conjunto. Os campos denominados id, datahora e usuario também foram removidos do conjunto de dados a ser analisado, uma vez que foram considerados irrelevantes para efeitos de análise de risco de vida em triagem. Entende-se que, caso mantidos, poderiam causar ramos de uma árvore de decisão que não produzam qualquer relevância para o modelo, resultando em confusão e overfitting, uma situação indesejada em aprendizagem de máquina, quando um modelo é adequado fortemente a um conjunto de dados em específico, apenas, e não se aplica na prática por este motivo. O conjunto de dados continha, inicialmente, instâncias. Entretanto, armazenavam dados nulos e foram descartadas do experimento. 325 registros continham dados discrepantes, ou seja, possuíam valores inaceitáveis, extremamente maiores ou menores que valores considerados para humanos e foram eliminados também. Assim, manteve-se instâncias no conjunto de dados utilizado como entrada neste estudo. Além da limpeza dos dados, para aplicar a tarefa de classificação, foi necessário converter o tipo de dados do campo risco para o tipo categórico, pois os valores estavam apresentados como numéricos e representam, na verdade, rótulos nominais para graus de risco de morte.

4 Para o subconjunto de selecionado há uma diferença considerável no total de casos que pertencem a cada classe de risco (atributo-alvo). Por exemplo, entre os pacientes que foram atribuídos a classificação de baixo risco e os que têm sido atribuídos a etiqueta de alto risco, existe uma diferença de, aproximadamente, 150 para 1 (Tabela 2). Tabela 2: Total de instâncias por classe para o subconjunto selecionado. Grau de Risco Total de Instâncias Eletivo 3802 Baixo 6173 Médio 981 Alto 41 Mesmo com essa diferença entre o total de instâncias em cada classe do atributo alvo, nenhuma técnica de reamostragem foi aplicada ao conjunto de dados estudado durante a fase de pré-processamento. Essa decisão ocorreu em detrimento à natureza da técnica de classificação aplicada neste estudo, chamada de aprendizagem sensível à custo [3]. A descrição do experimento e os resultados são apresentados na próxima seção. 3. RESULTADOS E DISCUSSÃO A tarefa de classificação aplicada neste trabalho tem por objetivo determinar o risco que foi atribuído a cada instância, com base nos demais atributos preditivos. O algoritmo de árvore de decisão J48 foi aplicado com os parâmetros número mínimo de instâncias por nó igual a 2 e fator de confiança mínima utilizada em podas igual a O experimento foi configurado para testar o modelo obtido com uma abordagem de validação cruzada com 10 partições. O resultado da avaliação do modelo gerado, considerando a acurácia, foi de 59,33%. A acurácia de um modelo é considerada, geralmente, como o principal indicador de sucesso da classificação e, para este experimento, a acurácia apresentada não teve um valor muito alto. Contudo, isto não foi visto como um problema para este estudo, pois a acurácia não foi considerada como o único critério de sucesso. Verificou-se na matriz de confusão (Tabela 3), resultante do teste do modelo gerado, que, dentre as ocorrências de erros de classificação, houveram predições de risco para níveis mais altos e, também, mais baixos do que eram, na realidade. Além disto, foi observado que o modelo gerado não possibilitou a identificação de casos quaisquer da classe correspondente ao nível de risco alto, embora esteja explícita a existência de casos do tipo. Os números de acertos na classificação podem ser observados na diagonal principal da matriz, enquanto os erros podem ser verificados fora da diagonal principal da matriz abaixo (Tabela 3). Tabela 3: Matriz de confusão obtida com a aplicação do algoritmo J48 no conjunto de dados. A B C D Classe A = Eletivo B = Baixo C = Médio D = Alto Devido à natureza da triagem de risco de vida, entende-se que ambas estas características, inerentes ao modelo gerado, não são aceitáveis. Isto acontece pela conveniência prática do domínio do negócio em que faz-se admissível que um caso de determinado nível de risco seja classificado como maior do que realmente é, enquanto o inverso não é aceitável [1]. Exemplos disto, na prática, seriam eventuais casos de risco baixo sendo triados como risco médio ou eventuais casos de risco médio sendo triados como risco alto, os quais podem ser aceitáveis, enquanto o contrário não. Além disto, o fato de que este modelo, obtido inicialmente,

5 não atribuiu o mais alto nível de risco a qualquer instância o torna absolutamente inadequado para uso na prática. Mecanismos de classificação em mineração de dados trabalham com a análise do custo em suas operações de tomada de decisão e é possível fazer essas operações sejam sensíveis a seus custos [3]. Em aplicação, isto significa que os valores de custo de classificação podem ser manipulados para induzir um algoritmo a considerar determinadas possibilidades de classificação. No presente estudo, foi possível verificar que esta característica foi causada pela anteriormente referida diferença entre o número de instâncias pertencentes a cada classe, onde classes com o maior número de instâncias de treinamento apresentam menor custo de predição do que classes com menor número de instâncias de treinamento. Isto levou o algoritmo de classificação a propor classificações apenas para classes cuja quantidade de instâncias correspondentes era majoritária no conjunto de dados, especificamente, riscos eletivos e baixo, mas descartando, estatisticamente, classificações como riscos médio e alto. Diante dos resultados não promissores apresentados à uma abordagem simples de classificação com o algoritmo J48, foi considerada uma nova, onde, por meio de um metaclassificador sensível à custo em associação com o algoritmo J48, é possível definir se a atividade será realizada através de avaliação sensível à custo ou aprendizado sensível à custo [6], sendo esta utilizada neste estudo. Esta possibilidade permite que os profissionais definam uma matriz de custo, ou seja, artefato que tem a capacidade de definir, à certas áreas de uma matriz de confusão, um custo mais elevado do que o padrão em condições ordinárias. Isto permite com que um algoritmo de classificação tente evitar a classificação de ocorrências nas áreas determinadas. Entende-se que isto tem o potencial de aumentar a precisão e/ou a relevância do modelo no domínio do negócio. Utilizando o algoritmo J48 com o meta-classificador sensível à custo para proporcionar aprendizagem sensível à custo com uma matriz de custo conforme demonstrado na Tabela 4, o percentual de acurácia na classificação caiu para 56,56% e a respectiva matriz de confusão é apresentada na Tabela 5. Tabela 4: Matriz de custo utilizada pelo algoritmo J48 sensível à custo Tabela 5: Matriz de confusão obtida com a aplicação do algoritmo J48 sensível à custo. A B C D Classe A = Eletivo B = Baixo C = Médio D = Alto Ao analisar as árvores de decisão resultantes de cada um dos experimentos descritos, foi observado que, em oposição ao modelo gerado pela utilização do algoritmo J48 sem sensibilidade à custo, onde nenhuma instância de triagem foi classificada como alto risco, o modelo gerado com a capacidade de sensibilidade à custo foi capaz de possibilitar a ocorrência de classificações em todas classes. A matriz de confusão disposta na Tabela 5 também evidencia este resultado. Um exemplo disto pode ser notado bem ao início da árvore de decisão gerada pela utilização do modelo, na qual supostas triagens de pacientes com os sinais vitais de pressão arterial sistólica entre 128 mmhg e 169 mmhg, temperatura menor ou igual a 37,1 ºC, oxigenação entre 84 SpO2 e 88 SpO2 e frequência cardíaca maior do que 146 BPM seriam classificadas como de alto risco.

6 4. CONCLUSÃO Mesmo que, associando o algoritmo de classificação J48 com um meta-classificador para aprendizado sensível à custo, a atividade tenha sido desempenhada com uma diferença de 2.77% na acurácia de classificação, conhecimento sobre o domínio do negócio inerente contribuiu para a descoberta de que, em determinados casos (e neste específico), esta não deve ser considerada a única métrica de sucesso. As matrizes de confusão apresentadas em ambos experimentos mostraram que, através da associação de aprendizado sensível à custo ao classificador, foi possível obter um modelo gerado por aprendizado de máquina que seja aplicável no domínio de negócio de triagem médica e passível de avaliação na prática. 5. REFERENCIAS BIBLIOGRÁFICAS 1. Han, Jiawei; Kamber, Micheline. Data Mining. Concepts and Techniques. Second edition. The Morgan Kaufmann Series in Data Management Systems. Elsevier Inc., Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin. Introduction to Data Mining Witten, Ian H.; Frank, Eibe; Hall, Mark A. Data Mining. Pratical Machine Learning Tools and atechniques. Third edition. The Morgan Kaufmann Series in Data Management Systems. Elsevier Inc., Shama A. Mansotra V. Emerging applications of data mining for healthcare management - A critical review International Conference on Computing for Sustainable Global Development (INDIACom), New Dehli. pages Kohn, H C and Tan G. Data Mining Applications in Healthcare. Journal of Healthcare Information Management - Vol. 19, No. 2. Pages Mark Hall, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, Ian H. Witten (2009); The WEKA Data Mining Software: An Update; SIGKDD Explorations, Volume 11, Issue Kohavi, R; Quinlan, J. R. Data mining tasks and methods: Classification: decision-tree discovery. Handbook of data mining and knowledge discovery, pages , 2002.